Panel semiparametric quantile regression neural network for electricity consumption forecasting
用于电力消费预测的面板半参数分位数回归神经网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要使用省级总量面板预测电力消费，并明确采用分位数回归，支持宏观面板、分布方法与宏观预测分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于电力消费预测的面板半参数分位数回归神经网络
- 研究问题
- 如何结合线性与非线性关系、省级不可观测异质性及分位数信息，构建兼顾解释性和预测表现的中国省级电力消费模型？
- 方法与思路
- 作者结合神经网络与半参数分位数回归，用惩罚分位数回归、LASSO、岭回归及反向传播训练模型，并在省级数据的三种情景下评估预测。
- 材料陈述的贡献
- 摘要称，模型可兼顾非线性、异质性和参数解释性；在一九九九至二〇一八年数据中，纳入经济与气候因素改善预测，并报告后续五年预测。
- 阅读关注点
- 应核对省级异质性的处理、分位数与惩罚选择、三种情景的定义、训练测试切分，以及二〇一九至二〇二三年预测是否经过实际数据验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出误差指标和比较细节，所报后续五年数值是预测，不能视为已验证事实。
原文摘要
China has made great achievements in electric power industry during the long-term deepening of reform and opening up. However, the complex regional economic, social and natural conditions, electricity resources are not evenly distributed, which accounts for the electricity deficiency in some regions of China. It is desirable to develop a robust electricity forecasting model. Motivated by which, we propose a Panel Semiparametric Quantile Regression Neural Network (PSQRNN) by utilizing the artificial neural network and semiparametric quantile regression. The PSQRNN can explore a potential linear and nonlinear relationships among the variables, interpret the unobserved provincial heterogeneity, and maintain the interpretability of parametric models simultaneously. And the PSQRNN is trained by combining the penalized quantile regression with LASSO, ridge regression and backpropagation algorithm. To evaluate the prediction accuracy, an empirical analysis is conducted to analyze the provincial electricity consumption from 1999 to 2018 in China based on three scenarios. From which, one finds that the PSQRNN model performs better for electricity consumption forecasting by considering the economic and climatic factors. Finally, the provincial electricity consumptions of the next $5$ years (2019-2023) in China are reported by forecasting.